Построение фотограмметрических моделей на основе данных видеосъемки подземных горных выработок в условиях низкого уровня освещенности
Федотенко В.С.1, Кирков А.Е.1, Радченко Д.Н.1, Аверин А.П.1
1 Институт проблем комплексного освоения недр им. академика Н.В. Мельникова Российской академии наук, г. Москва, Российская Федерация
Горная Промышленность №6/ 2025 стр. 187-193
Резюме: В статье приводятся сведения о разработанном комбинированном методе обработки изображений из видеоряда, полученного в ходе полетов беспилотного летательного аппарата в подземных горных выработках. Видеоряд подвергался раскадровке, при которой оценивались различия кадров, составляющих стереопару. Для решения этой задачи применялись возможности компьютерного зрения. Для реализации алгоритмов компьютерного зрения использована библиотека OpenCV, с помощью которой был разработан программный модуль для анализ схожести изображений на базе показателей SSIM и MSE. В ходе исследования установлено, что применение технологий компьютерного зрения и нейросетей позволяет значительно улучшить качество и точность модели горной выработки. Дальнейшее развитие предложенного метода состоит в наработке методик и опыта количественной оценки неоднородностей массива и описания формы элементов горной выработки на различных участках (в кровле, почве, боках и т.д.). Весьма перспективна возможность применения технологий улучшения качества изображения на основе глубокого обучения. Отдельный интерес представляет построение 3D-моделей. Развитие и внедрение в практику подземных горных работ фотограмметрических методов на основе данных видеосъемки будет способствовать решению таких задач, как автономный мониторинг состояния крепи горных выработок, уточнение контуров очистного пространства в динамике выпуска рудной массы, планирование очистной выемки в соседних камерах после проведения закладочных работ, обнаружение опасностей, анализ геологической среды с уточнением, например, параметров систем трещин в горных массивах и многих других.
Ключевые слова: фотограмметрия, подземные горные выработки, модель горной выработки, беспилотный летательный аппарат, видеосъемка, очистные камеры
Благодарности: Исследование выполнено за счет гранта Российского научного фонда №25-17-00345, https://rscf.ru/project/25-17-00345/
Для цитирования: Федотенко В.С., Кирков А.Е., Радченко Д.Н., Аверин А.П. Построение фотограмметрических моделей на основе данных видеосъемки подземных горных выработок в условиях низкого уровня освещенности. Горная промышленность. 2025;(6):187–193. https://doi.org/10.30686/1609-9192-2025-6-187-193
Информация о статье
Поступила в редакцию: 29.08.2025
Поступила после рецензирования: 27.10.2025
Принята к публикации: 10.11.2025
Информация об авторах
Федотенко Виктор Сергеевич – доктор технических наук, ведущий научный сотрудник, заведующий отделом теории проектирования и геотехнологии комплексного освоения недр, Институт проблем комплексного освоения недр им. академика Н.В. Мельникова Российской академии наук, г. Москва, Российская Федерация; https://orcid.org/0000-0002-2082-6040
Кирков Алексей Евгеньевич – главный маркшейдер, научный сотрудник, Институт проблем комплексного освоения недр им. академика Н.В. Мельникова Российской академии наук, г. Москва, Российская Федерация
Радченко Дмитрий Николаевич – кандидат технических наук, доцент, ведущий научный сотрудник, заведующий лабораторией теоретических основ проектирования горнотехнических систем, Институт проблем комплексного освоения недр им. академика Н.В. Мельникова Российской академии наук, г. Москва, Российская Федерация; https://orcid.org/0000-0003-1821-3840; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Аверин Андрей Петрович – кандидат технических наук, старший научный сотрудник, Институт проблем комплексного освоения недр им. академика Н.В. Мельникова Российской академии наук, г. Москва, Российская Федерация
Список литературы
1. Guo J., Wu L., Zhang M., Liu S., Sun X. Towards automatic discontinuity trace extraction from rock mass point cloud without triangulation. International Journal of Rock Mechanics and Mining Sciences. 2018;112:226–237. https://doi.org/10.1016/j.ijrmms.2018.10.023
2. Kong D., Saroglou C., Wu F., Sha P., Li B. Development and application of UAV-SfM photogrammetry for quantitative characterization of rock mass discontinuities. International Journal of Rock Mechanics and Mining Sciences. 2021;141:104729. https://doi.org/10.1016/j.ijrmms.2021.104729
3. Кулешов А.М., Богачук А.Г., Колесников К.А., Паничкин И.О., Марковский М.А. Применение беспилотных летательных аппаратов в горнодобывающей промышленности. Горная промышленность. 2024;(5S):33–37. https://doi.org/10.30686/1609-9192-2024-5S-33-37
4. Zhang J., Xu W., Lu Y., Chen Z., Yang D. Multi-view adaptive image enhancement with hierarchical attention for complex underground mining scenes. Expert Systems with Applications. 2025;294:128761. https://doi.org/10.1016/j.eswa.2025.128761
5. Lepcha D.C., Goyal B., Dogra A., Sharma K.P., Gupta D.N. A deep journey into image enhancement: A survey of current and emerging trends. Information Fusion. 2023;93:36–76. https://doi.org/10.1016/j.inffus.2022.12.012
6. Lee S., Kim N., Paik J. Adaptively partitioned block-based contrast enhancement and its application to low light-level video surveillance. SpringerPlus. 2015;4:431. https://doi.org/10.1186/s40064-015-1226-x
7. Gupta P., Kumare J., Singh U., Singh R. Histogram based image enhancement techniques: a survey. International Journal of Computer Sciences and Engineering. 2017;5(6):177–182. https://doi.org/10.13140/RG.2.2.27062.11845
8. Panse V., Gupta R. Medical image enhancement with brightness preserving based on local contrast stretching and global dynamic histogram equalization. In: 2021 IEEE 10th International Conference on Communication Systems and Network Technologies (CSNT), Bhopal, India, 18–19 June 2021. IEEE; 2021, pp. 164–170. https://doi.org/10.1109/CSNT51715.2021.9509670
9. Ulutas G., Ustubioglu B. Underwater image enhancement using contrast limited adaptive histogram equalization and layered difference representation. Multimedia Tools and Applications. 2021;80(10):15067–15091. https://doi.org/10.1007/s11042-020-10426-2
10. Huang S-C., Cheng F.-C., Chiu Y.-S. Efficient contrast enhancement using adaptive gamma correction with weighting distribution. IEEE Transactions on Image Processing. 2013;22(3):1032–1041. https://doi.org/10.1109/TIP.2012.2226047
11. Yu H., Li X., Lou Q., Yan L. Underwater image enhancement based on color-line model and homomorphic filtering. Signal, Image and Video Processing. 2022;16(1):83–91. https://doi.org/10.1007/s11760-021-01960-z
12. Yugander P., Tejaswini C.H., Meenakshi J., Samapath K., Suresh Varma B.V.N., Jagannath M. MR Image enhancement using adaptive weighted mean filtering and homomorphic filtering. Procedia Computer Science. 2020;167:677–685. https://doi.org/10.1016/j.procs.2020.03.334
13. Łoza A., Bull D.R., Hill P.R., Achim A.M. Automatic contrast enhancement of low-light images based on local statistics of wavelet coefficients. Digital Signal Processing. 2013;23(6):1856–1866. https://doi.org/10.1016/j.dsp.2013.06.002
14. Iqbal M.Z., Ghafoor A., Siddiqui A.M. Satellite image resolution enhancement using dual-tree complex wavelet transform and nonlocal means. IEEE Geoscience and Remote Sensing Letters. 2013;10(3):451–455. https://doi.org/10.1109/LGRS.2012.2208616
15. Wang Y., Zhang J., Cao Y., Wang Z. A deep CNN method for underwater image enhancement. In: 2017 IEEE International Conference on Image Processing (ICIP), Beijing, China, 17-20 September 2017. IEEE; 2017, pp. 1382–1386. https://doi.org/10.1109/ICIP.2017.8296508
16. Li C., Guo C., Ren W., Cong R., Hou J., Kwong S. An underwater image enhancement benchmark dataset and beyond. IEEE Transactions on Image Processing. 2020;29:4376–4389. https://doi.org/10.1109/TIP.2019.2955241
17. Fabbri C., Islam M.J., Sattar J. Enhancing Underwater imagery using generative adversarial networks. In: 2018 IEEE International Conference on Robotics and Automation (ICRA), Brisbane, QLD, Australia, 21–25 May 2018. IEEE; 2018, pp. 7159–7165. https://doi.org/10.1109/ICRA.2018.8460552
18. Guo Y., Li H., Zhuang P. Underwater image enhancement using a multiscale dense generative adversarial network. IEEE Journal of Oceanic Engineering. 2020;45(3):862–870. https://doi.org/10.1109/JOE.2019.2911447
19. Jiang Y., Gong X., Liu D., Cheng Y., Fang C., Shen X. EnlightenGAN: Deep light enhancement without paired supervision. IEEE Transactions on Image Processing. 2021;30:2340–2349. https://doi.org/10.1109/TIP.2021.3051462
20. Каплунов Д.Р., Радченко Д.Н. Выработанные пространства недр: принципы многофункционального использования в полном цикле комплексного освоения месторождений твердых полезных ископаемых. Горный журнал. 2016;(5):28–33. https://doi.org/10.17580/gzh.2016.05.02
21. Li J., Feng X., Hua Z. Low-light image enhancement via progressive-recursive network. IEEE Transactions on Circuits and Systems for Video Technology. 2021;31(11):4227–4240. https://doi.org/10.1109/TCSVT.2021.3049940
22. Wei C., Wang W., Yang W., Liu J. Deep retinex decomposition for low-light enhancement. arXiv:1808.04560. 14 August 2018. https://doi.org/10.48550/arXiv.1808.04560
23. Guo X., Li Y., Ling H. LIME: Low-light image enhancement via illumination map estimation. IEEE Transactions on Image Processing. 2017;26(2):982–993. https://doi.org/10.1109/TIP.2016.2639450
24. Ancuti C., Ancuti C.O., Haber T., Bekaert P. Enhancing underwater images and videos by fusion. In: 2012 IEEE Conference on Computer Vision and Pattern Recognition, Providence, RI, USA, 16–21 June 2012. IEEE; 2012, pp. 81–88. https://doi.org/10.1109/CVPR.2012.6247661
25. Wang B., Wei B., Kang Z., Hu L., Li C. Fast color balance and multi-path fusion for sandstorm image enhancement. Signal, Image and Video Processing. 2021;15(3):637–644. https://doi.org/10.1007/s11760-020-01786-1
26. Fu X., Zeng D., Huang Y., Liao Y., Ding X., Paisley J. A fusion-based enhancing method for weakly illuminated images. Signal Processing. 2016;129:82–96. https://doi.org/10.1016/j.sigpro.2016.05.031
27. He K., Sun J., Tang X. Single image haze removal using dark channel prior. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2011;33(12):2341–2353. https://doi.org/10.1109/TPAMI.2010.168
28. Xie K., Pan W., Xu S. An underwater image enhancement algorithm for environment recognition and robot navigation. Robotics. 2018;7(1):14. https://doi.org/10.3390/robotics7010014
29. Wang Z., Bovik A.C., Sheikh H.R., Simoncelli E.P. Image quality assessment: from error visibility to structural similarity. IEEE Transactions on Image Processing. 2004;13(4):600–612. https://doi.org/10.1109/TIP.2003.819861
